CN111160108B - 一种无锚点的人脸检测方法及系统 - Google Patents

一种无锚点的人脸检测方法及系统 Download PDF

Info

Publication number
CN111160108B
CN111160108B CN201911242653.XA CN201911242653A CN111160108B CN 111160108 B CN111160108 B CN 111160108B CN 201911242653 A CN201911242653 A CN 201911242653A CN 111160108 B CN111160108 B CN 111160108B
Authority
CN
China
Prior art keywords
face
image
map
offset
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911242653.XA
Other languages
English (en)
Other versions
CN111160108A (zh
Inventor
徐园园
罗继亮
方慧娟
童飞扬
孙海信
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaqiao University filed Critical Huaqiao University
Priority to CN201911242653.XA priority Critical patent/CN111160108B/zh
Publication of CN111160108A publication Critical patent/CN111160108A/zh
Application granted granted Critical
Publication of CN111160108B publication Critical patent/CN111160108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Abstract

一种无锚点的人脸检测方法及系统，方法包括：将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；将所述人脸热度图中大于预设阈值的点认为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标。本发明的人脸被表示为人脸框的中心点，然后根据中心位置的图像特征直接回归人脸框的大小，这样就减少了繁琐锚点的后处理时间，实现快速高效的人脸检测任务。

Description

一种无锚点的人脸检测方法及系统
技术领域
本发明涉及基于深度学习的人脸检测领域，特别涉及一种无锚点的人脸检测方法及系统。
背景技术
人脸检测是计算机视觉和模式识别的基本问题之一，广泛应用于移动设备和嵌入式设备中。因为，这些设备通常具有有限的内存存储和较低的计算能力。因此，快速准确地预检测到人脸是很有必要的。
随着卷积神经网络的巨大突破，人脸检测技术近年来取得了显著进展。早期，级联卷积神经网络框架的人脸检测算法使用级联网络来学习人脸特征，以提高性能和保持效率。然而，级联卷积神经网络检测器存在一些问题:1)检测器的运行时间与输入图像上的面数呈负相关；2)由于这些方法分别对各个模块进行优化，使得训练过程极为复杂。
后来，出现了锚点的人脸检测方法。可以分为：两阶段的方法和一阶段的方法。与两阶段方法相比，单阶段方法效率更高，召回率更高。然而这些方法存在一些缺陷，一方面，通常需要大量的密集锚点来获得良好的召回率，这导致了后处理的过程耗时严重。另一方面，锚点是一种超参数设计，基于特定数据集的统计计算，其泛化能力较差。
此外，目前最先进的人脸检测技术通常使用VGG16、Resnet50/152等较大的主干网络，导致了在实际应用中难以使用，因为网络消耗了太多的时间。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种简单、准确性高的的无锚点的人脸检测方法及系统，只包含一个轻量级但功能强大的网络结构，并可以端到端的训练；人脸被表示为人脸框的中心点，然后根据中心位置的图像特征直接回归人脸框的大小；因此，人脸检测被转换为一个标准的关键点估计问题，热图中的峰值对应于面中心，每个峰值的图像特征预测了人脸盒的大小和地标。
本发明采用如下技术方案：
一方面，本发明一种无锚点的人脸检测方法，包括：训练步骤和检测步骤；
所述训练步骤，包括：
S11：将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
S12：将预处理后的人脸训练图像输入到设计的人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
S13：分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
S14：重复迭代S11至S13直到人脸检测网络中的参数收敛；
所述检测步骤，包括：
S21：将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
S22：所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
S23：将所述人脸热度图中大于预设阈值的点认为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标。
优选的，所述设计的人脸检测网络，具体包括：
采用Mobilenetv3作为主干网络，采用UNet的结构作为neck进行后续检测；采用自顶向下的横向连接架构，从单个尺度输入构建特征金字塔；构造的金字塔的层次为{P-L}，L＝3,4,5...，其中，L表示金字塔层次，P-L表示金字塔的第L层；所有金字塔级别有C个通道。
其特征在于，生成人脸热度图，具体包括：
令[x1,y1,x2,y2]为人脸框的左上和右下两个点，令面部中心点位于c＝[(x1+x2)/2，(y1+y2)/2]，生成人脸高斯热图Y∈[0,1]W/R×H/R，其中，W和H分别表示输入图像的宽和高，R为输出步长，生成热图的函数表示为：
Figure BDA0002306692240000021
其中，c表示面部的中心点，σ是高斯函数的标准差。定义Yx，y＝1对应于面中心，而Yx，y＝0是背景，则对应的损失函数表示为：
Figure BDA0002306692240000022
其中，α和β是损失函数的超参数，Yxy表示热图上(x,y)坐标上的值，
Figure BDA0002306692240000023
表示网络的预测值。
其特征在于，生成人脸尺度图，具体包括：
以(x1,y1,x2,y2)的方式指定每个人脸边界框，我们的网络直接预测人脸宽高的映射，映射关系如下：
Figure BDA0002306692240000031
Figure BDA0002306692240000032
其中，
Figure BDA0002306692240000033
表示人脸框高的log值，/>
Figure BDA0002306692240000034
表示人脸框宽的log值；
损失函数使用是smoooth-L1损失。
其特征在于，生成人脸中心偏移量图，具体包括：
由于将热度图中的位置重新映射到输入图像时，会出现一些没有对齐的像素，会影响人脸检测的精度，因此需要预测位置偏移量，在将中心位置重新映射到输入分辨率之前对其进行微调以生成人脸中心偏移量图，对应的损失函数表示为：
Figure BDA0002306692240000035
其中，ok为偏移量，xk、yk分别为面中心k的x、y坐标，n表示神经网络下采样的倍数。
另一方面，本发明一种无锚点的人脸检测系统，包括：训练模块和检测模块；
所述训练模块，包括：
预处理单元，用于将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
训练图像变换单元，用于将预处理后的人脸训练图像输入到设计的人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
损失函数计算单元，分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
重复进行上述处理，直到人脸检测网络中的参数收敛；
所述检测模块，包括：
人脸图像输入单元，用于将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
人脸特征提取单元，用于所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
人脸图像获取模块，用于将所述人脸热度图中大于预设阈值的点判定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明使用top-down的网络结构进行人脸特征提取，这种结构的好处是将不同层的局部特征进行融合，此外，人脸被表示为人脸框的中心点，然后根据中心位置的图像特征直接回归人脸框的大小，这样就减少了繁琐锚点的后处理时间，实现快速高效的人脸检测任务。
附图说明
图1为本发明的深度学习人脸检测网络结构示意图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参见图1所示，一方面，本发明一种无锚点的人脸检测方法，包括：训练步骤和检测步骤；
所述训练步骤，包括：
S11：将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
S12：将预处理后的人脸训练图像输入到设计的人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
S13：分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
S14：重复迭代S11至S13直到人脸检测网络中的参数收敛；
所述检测步骤，包括：
S21：将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
S22：所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
S23：将所述人脸热度图中大于预设阈值的点认为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标。
优选的，所述设计的人脸检测网络，具体包括：
采用Mobilenetv3作为主干网络，采用UNet的结构作为neck进行后续检测；采用自顶向下的横向连接架构，从单个尺度输入构建特征金字塔；构造的金字塔的层次为{P-L}，L＝3,4,5...，其中，L表示金字塔层次，P-L表示金字塔的第L层；所有金字塔级别有C个通道。
优选的，生成人脸热度图，具体包括：
令[x1,y1,x2,y2]为人脸框的左上和右下两个点，令面部中心点位于c＝[(x1+x2)/2，(y1+y2)/2]，生成人脸高斯热图Y∈[0,1]W/R×H/R，其中，W和H分别表示输入图像的宽和高，R为输出步长，生成热图的函数表示为：
Figure BDA0002306692240000051
其中，c表示面部的中心点，σ是高斯函数的标准差。定义Yx，y＝1对应于面中心，而Yx，y＝0是背景，则对应的损失函数表示为：
Figure BDA0002306692240000052
其中，α和β是损失函数的超参数，Yxy表示热图上(x,y)坐标上的值，
Figure BDA0002306692240000053
表示网络的预测值。
优选的，生成人脸尺度图，具体包括：
以(x1,y1,x2,y2)的方式指定每个人脸边界框，我们的网络直接预测人脸宽高的映射，映射关系如下：
Figure BDA0002306692240000054
Figure BDA0002306692240000055
其中，
Figure BDA0002306692240000056
表示人脸框高的log值，/>
Figure BDA0002306692240000057
表示人脸框宽的log值；
损失函数使用是smoooth-L1损失。
优选的，生成人脸中心偏移量图，具体包括：
由于将热度图中的位置重新映射到输入图像时，会出现一些没有对齐的像素，会影响人脸检测的精度，因此需要预测位置偏移量，在将中心位置重新映射到输入分辨率之前对其进行微调以生成人脸中心偏移量图，对应的损失函数表示为：
Figure BDA0002306692240000058
其中，ok为偏移量，xk、yk分别为面中心k的x、y坐标，n表示神经网络下采样的倍数。
需要说明的是，为了限制计算量，我们对人脸框用单一层预测，不考虑计算量的话，可以使用多个层进行预测。
另一方面，本发明一种无锚点的人脸检测系统，包括：训练模块和检测模块；
所述训练模块，包括：
预处理单元，用于将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
训练图像变换单元，用于将预处理后的人脸训练图像输入到设计的人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
损失函数计算单元，分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
重复进行上述处理，直到人脸检测网络中的参数收敛；
所述检测模块，包括：
人脸图像输入单元，用于将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
人脸特征提取单元，用于所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
人脸图像获取模块，用于将所述人脸热度图中大于预设阈值的点判定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (5)

1.一种无锚点的人脸检测方法，其特征在于，包括：训练步骤和检测步骤；
所述训练步骤，包括：
S11：将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
S12：将预处理后的人脸训练图像输入到设计的深度学习人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
S13：分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
S14：重复迭代S11至S13直到人脸检测网络中的参数收敛；
所述检测步骤，包括：
S21：将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
S22：所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
S23：将所述人脸热度图中大于预设阈值的点认为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标；
所述设计的深度学习人脸检测网络，具体包括：
采用Mobilenetv3作为主干网络，采用UNet的结构作为neck进行后续检测；采用自顶向下的横向连接架构，从单个尺度输入构建特征金字塔；构造的金字塔的层次为{P-L}，L＝3,4,5...，其中，L表示金字塔层次，P-L表示金字塔的第L层；所有金字塔级别有C个通道。
2.根据权利要求1所述的无锚点的人脸检测方法，其特征在于，生成人脸热度图，具体包括：
令[x1,y1,x2,y2]为人脸框的左上和右下两个点，令面部中心点位于c＝[(x1+x2)/2，(y1+y2)/2]，生成人脸高斯热图Y∈[0,1]W/R×H/R，其中，W和H分别表示输入图像的宽和高，R为输出步长，生成热图的函数表示为：
Figure FDA0004022266030000011
其中，c表示面部的中心点，σ是高斯函数的标准差；定义Yx，y＝1对应于面中心，而Yx，y＝0是背景，则对应的损失函数表示为：
Figure FDA0004022266030000012
其中，α和β是损失函数的超参数，Yxy表示热图上(x,y)坐标上的值，
Figure FDA0004022266030000021
表示网络的预测值。
3.根据权利要求2所述的无锚点的人脸检测方法，其特征在于，生成人脸尺度图，具体包括：
以(x1,y1,x2,y2)的方式指定每个人脸边界框，深度学习人脸检测网络直接预测人脸宽高的映射，映射关系如下：
Figure FDA0004022266030000022
Figure FDA0004022266030000023
其中，
Figure FDA0004022266030000024
表示人脸框高的log值，/>
Figure FDA0004022266030000025
表示人脸框宽的log值；
损失函数使用是smoooth-L1损失。
4.根据权利要求3所述的无锚点的人脸检测方法，其特征在于，生成人脸中心偏移量图，具体包括：
在将中心位置重新映射到输入分辨率之前对其进行微调以生成人脸中心偏移量图，对应的损失函数表示为：
Figure FDA0004022266030000026
其中，ok为偏移量，xk、yk分别为面中心k的x、y坐标，n表示神经网络下采样的倍数。
5.一种无锚点的人脸检测系统，其特征在于，包括：训练模块和检测模块；
所述训练模块，包括：
预处理单元，用于将人脸训练图像进行预处理；所述预处理包括数据扩增预处理和归一化处理；所述数据扩增预处理包括颜色抖动、随机裁剪和补边；
训练图像变换单元，用于将预处理后的人脸训练图像输入到设计的人脸检测网络中，得到生成的人脸热度图、人脸尺度图和人脸中心偏移量图；
损失函数计算单元，分别计算人脸热度图、人脸尺度图、人脸中心偏移量图的损失值，并对不同的权重进行串联，将最终得到的损失值进行反传；
重复进行上述处理，直到人脸检测网络中的参数收敛；
所述检测模块，包括：
人脸图像输入单元，用于将待测人脸图像输入到训练好的人脸检测网络中进行人脸检测；
人脸特征提取单元，用于所述训练好的人脸检测网络进行人脸特征提取，输出人脸热度图、人脸尺度图和人脸中心偏移量图；
人脸图像获取模块，用于将所述人脸热度图中大于预设阈值的点判定为是人脸，然后在所述人脸中心偏移量图上的对应位置取出人脸坐标偏移量，与所述人脸热度图的坐标相加，得到最终人脸的中心位置，最后在所述人脸尺度图上计算出人脸的宽高，得到人脸的坐标；
所述设计的深度学习人脸检测网络，具体包括：
采用Mobilenetv3作为主干网络，采用UNet的结构作为neck进行后续检测；采用自顶向下的横向连接架构，从单个尺度输入构建特征金字塔；构造的金字塔的层次为{P-L}，L＝3,4,5...，其中，L表示金字塔层次，P-L表示金字塔的第L层；所有金字塔级别有C个通道。
CN201911242653.XA 2019-12-06 2019-12-06 一种无锚点的人脸检测方法及系统 Active CN111160108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911242653.XA CN111160108B (zh) 2019-12-06 2019-12-06 一种无锚点的人脸检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911242653.XA CN111160108B (zh) 2019-12-06 2019-12-06 一种无锚点的人脸检测方法及系统

Publications (2)

Publication Number Publication Date
CN111160108A CN111160108A (zh) 2020-05-15
CN111160108B true CN111160108B (zh) 2023-03-31

Family

ID=70556449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911242653.XA Active CN111160108B (zh) 2019-12-06 2019-12-06 一种无锚点的人脸检测方法及系统

Country Status (1)

Country Link
CN (1) CN111160108B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680637A (zh) * 2020-06-10 2020-09-18 深延科技(北京)有限公司 基于深度学习和图像识别技术的口罩检测方法及检测系统
CN111738114B (zh) * 2020-06-10 2023-09-05 杭州电子科技大学 基于无锚点精确采样遥感图像车辆目标检测方法
CN111767881A (zh) * 2020-07-06 2020-10-13 中兴飞流信息科技有限公司 一种基于ai技术的自适应人群密度估计装置
CN111832465B (zh) * 2020-07-08 2022-03-29 星宏集群有限公司 基于MobileNetV3的实时人头分类检测方法
CN114511613B (zh) * 2020-11-16 2023-04-18 阿里巴巴集团控股有限公司 关键点检测方法、模型训练方法、装置、设备和存储介质
CN112541436B (zh) * 2020-12-15 2024-05-07 平安科技（深圳）有限公司 专注度分析方法、装置、电子设备及计算机存储介质
CN112528701B (zh) * 2020-12-15 2022-09-20 平安科技（深圳）有限公司 二维码检测方法、装置、电子设备及介质
CN112580515B (zh) * 2020-12-21 2022-05-10 浙江大学 一种基于高斯热图回归的轻量级人脸关键点检测方法
CN112541484B (zh) * 2020-12-28 2024-03-19 平安银行股份有限公司 人脸抠图方法、系统、电子装置及存储介质
CN112818964A (zh) * 2021-03-31 2021-05-18 中国民航大学 基于FoveaBox无锚神经网络的无人机检测方法
CN113177460B (zh) * 2021-04-25 2023-07-07 台州智必安科技有限责任公司 基于卷积神经网络的双分支Anchor Free人脸检测方法及系统
CN113239885A (zh) * 2021-06-04 2021-08-10 新大陆数字技术股份有限公司 一种人脸检测与识别方法及系统
CN113591795B (zh) * 2021-08-19 2023-08-08 西南石油大学 一种基于混合注意力特征金字塔结构的轻量化人脸检测方法和系统
CN113705690B (zh) * 2021-08-30 2024-02-27 平安科技（深圳）有限公司 正脸定位方法、装置、电子设备及计算机可读存储介质
CN116340807B (zh) * 2023-01-10 2024-02-13 中国人民解放军国防科技大学 宽带频谱信号检测与分类网络

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650699A (zh) * 2016-12-30 2017-05-10 中国科学院深圳先进技术研究院 一种基于卷积神经网络的人脸检测方法及装置
CN107563350A (zh) * 2017-09-21 2018-01-09 深圳市唯特视科技有限公司 一种基于尺度建议网络的人脸检测方法
CN109919097A (zh) * 2019-03-08 2019-06-21 中国科学院自动化研究所 基于多任务学习的人脸和关键点联合检测系统、方法
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650699A (zh) * 2016-12-30 2017-05-10 中国科学院深圳先进技术研究院 一种基于卷积神经网络的人脸检测方法及装置
CN107563350A (zh) * 2017-09-21 2018-01-09 深圳市唯特视科技有限公司 一种基于尺度建议网络的人脸检测方法
WO2019128646A1 (zh) * 2017-12-28 2019-07-04 深圳励飞科技有限公司 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
CN109919097A (zh) * 2019-03-08 2019-06-21 中国科学院自动化研究所 基于多任务学习的人脸和关键点联合检测系统、方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Objects as Points;Xingyi Zhou et.al;《arXiv:1904.07850v2》;20190425;全文 *
生物视觉启发的高分辨率遥感影像特征提取与目标检测研究;霍宏;《中国博士学位论文全文数据库 信息科技辑》;20160115;全文 *

Also Published As

Publication number Publication date
CN111160108A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160108B (zh) 一种无锚点的人脸检测方法及系统
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN110659565B (zh) 一种基于带孔卷积的3d多人人体姿态估计方法
US11694431B2 (en) Systems and methods for skyline prediction for cyber-physical photovoltaic array control
CN111310666B (zh) 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN110322453A (zh) 基于位置注意力和辅助网络的3d点云语义分割方法
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN112766229B (zh) 基于注意力机制的人脸点云图像智能识别系统及方法
CN112561796A (zh) 基于自注意生成对抗网络的激光点云超分辨率重建方法
CN111191730B (zh) 一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统
CN110059625B (zh) 一种基于mixup的人脸训练与识别方法
CN114387521A (zh) 基于注意力机制和边界损失的遥感影像建筑物提取方法
Ma et al. LPI radar waveform recognition based on neural architecture search
CN113536925B (zh) 一种基于引导注意力机制的人群计数方法
CN113609097A (zh) 指纹库的生成方法、装置、计算机设备和存储介质
CN111931551B (zh) 一种基于轻量级级联网络的人脸检测方法
CN111695450A (zh) 一种基于IMobileNet的人脸快速识别方法
CN115001937B (zh) 面向智慧城市物联网的故障预测方法及装置
CN116051861A (zh) 一种基于重参数化的无锚框目标检测方法
Wang et al. Hacloudnet: A ground-based cloud image classification network guided by height-driven attention
CN113554036A (zh) 一种改进orb算法的特征点提取与匹配方法
Li et al. Target Tracking Method for Transmission Line Moving Operation Based on Inspection Robot and Edge Computing
Lu et al. Road vanishing-point detection: A multi-population genetic algorithm based approach
CN114170560B (zh) 一种基于深度强化学习的多设备边缘视频分析系统
CN111914923B (zh) 一种基于聚类特征提取的目标分布式识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant